Journal Archive

세계자연기금(WWF)이 호주의 뉴캐슬 대학과 함께 연구한 보고서[7]에 따르면 현재까지 지구에 있는 것으로 추정되는 160만 종의 해양생물보다 많은 플라스틱 쓰레기가 매년 해양으로 유입되고 있다. 또한, 유입의 정도는 한 사람당 일주일간 신용카드 한 장 무게인 5g 정도를 섭취하는 양이라고 한다. 결국, 해양생물의 플라스틱 섭취로 인한 해양생물의 피해 등과 함께 미세플라스틱이 해양생물에 미치는 물리ㆍ화학적인 영향들이 인해 종국에는 인간의 건강도 위협할 수 있다고 우려하고 있다[8]. 물론 날로 늘어나고 있는 해양 쓰레기 문제의 근본적인 해결책은 플라스틱 폐기물을 줄이기 위한 전 세계인의 관심과 플라스틱 사용 제한 관련 관리 계획 등 정책적인 뒷받침이 있어야 할 것이다. 이러한 예방적이고 선제적인 노력과 더불어 현재 해양에 존재하는 쓰레기를 드론 및 로봇을 활용하여 탐지하고 수거·처리하는 프로젝트가 실시되고 있다[9]-[11]. 이 중 2020년부터 유럽 연합의 지원을 받아 독일에서 진행되고 있는 ‘SeaClear’ 프로젝트는 바다 밑 쓰레기 수거를 인공지능 무인 잠수정으로 하는 것으로 독일 및 크로아티아 등의 해안가에서 테스트하는 것으로 알려졌다. 따라서 이 연구에서는 학생들이 해양 쓰레기의 심각성을 인식하고 이를 인공지능 도구를 활용하여 간접적으로 해결할 수 있는 프로젝트를 구성해 보았다.

최근 국내 초등학교 현장에서는 인공지능교육에 대한 관심이 많다. 현재 국내 초등학교에서 진행하고 있는 인공지능교육에는 구글의 인공지능교육 도구, 엔트리, IBM인공지능도구, 마이크로비트 등을 활용하고 있다. 우선 구글의 인공지능교육 도구 중 많이 활용되고 있는 것으로는 티처블머신·오토드로우·퀵드로우 등이 있다. 이중 티처블머신의 경우 학습자가 직접 인공지능의 기본 학습 단계인 ‘데이터셋–학습–예측’의 단계를 모두 체험해 봄으로써 기본 머신러닝의 원리를 이해 할 수 있다는 장점에서 많이 활용되고 있다. 그렇지만, 스크래치나 엔트리 등의 교육용 프로그래밍 언어나 교육용 로봇과 연계가 불가능하다는 점에서 활용도에 제한적인 부분은 있다. 엔트리의 경우 인공지능 관련 블록이 추가로 서비스가 되어 활용하고 있으나, 아직 다른 교육용 로봇과의 연계 부분에서 제한점이 많은 편이다. 한편 IBM에서 제공하고 있는 Machin Learning for Kids의 경우 원하는 텍스트, 이미지, 소리 등의 데이터를 직접 입력하여 IBM 왓슨 머신러닝 서버를 이용하여 훈련시키고 학습과 평가를 통해 인공지능 성능을 확인할 수 있으며, 스크래치 또는 파이썬 프로그래밍을 통해 활용할 수 있다는 장점이 있으나, 왓슨 머신러닝 서버를 연동시키는 부분에서 불편한 점이 있는 것도 사실이다. 최근에는 마이크로비트의 다양한 센서와 마퀸을 이용한 자율주행 프로젝트와 추가로 허스키렌즈를 부착하여 인공지능 관련 다양한 프로젝트에 활용하는 형태로 발전하고 있다. 이 연구에서는 다양한 센서를 활용할 수 있으며, 머신러닝 프로젝트를 구성할 수 있는 마이크로비트, 마퀸, 허스키렌즈를 조합하여 프로그램을 개발하였다. 이 연구에서 사용한 마이크로비트, 마퀸, 허스키렌즈를 조합한 예시는 그림 1과 같다.

Fig. 1. 
Examples of combinations of Microbit, marqueen, and husky lense.

프로그램의 개발 과정은 체제적 교수설계 모형인 ADDIE(분석-설계-개발-실행-평가)모형을 활용하여 표 1과 같이 진행하였다. 분석 단계에서 환경교육과 인공지능교육과 공통 주제를 전문가들과 협업하여 분석하였다. 설계 단계에서는 학습 목표 및 성취기준 설정하고, 학습 내용을 구안하였다. 개발 단계에서는 교수·학습과정안을 개발하였으며, 실행단계에서는 일부 학생들에게 적용하고 반응을 점검하여 프로그램을 수정·보완하였다. 평가 단계에서는 전문가 집단의 타당성을 검증 결과를 토대로 재환류하여 최종 프로그램을 완성하였다.

이 연구에서 개발한 프로그램은 초등학교 고학년을 대상으로 인공지능의 머신러닝의 개념 이해와 체험적 실습을 목적으로 총 4차시로 구성하였다. 1차시에서는 구글의 오토드로우를 활용하여 해양 쓰레기를 표현하고 바다의 모형을 꾸미는 과정을 통해 바다 환경 문제의 심각성을 환기시킨다. 2차시에서는 허스키 렌즈로 해양 쓰레기를 학습시키는 과정을 체험한다. 3차시에서는 마이크로비트의 블록코딩으로 해안선 라인을 감지하는 프로그램을 제작한다. 마지막 4차시에서는 3차시까지 학습한 내용을 바탕으로 해양 쓰레기를 감지하여 해안선 밖으로 밀어내는 활동으로 인공지능 도구를 활용한 환경 정화 활동 프로젝트를 간접적으로 체험한다. 지금까지 총 4차시의 프로그램 내용, STEAM 관련성, 활용 도구를 요약하여 제시하면 표 2와 같다.

이 연구에서 개발한 4차시의 인공지능 도구 활용 해양 쓰레기 처리 관련 STEAM 프로젝트의 학습 과정 순서로 교육 내용을 소개하면 다음과 같다.

1) 1차시: AutoDraw로 모형 바다 꾸미기: 설계

• - 인공지능 기술이 적용된 오토드로우(AutoDraw) 활용법 알아보기
• - 오토드로우의 활용과 빅데이터 및 머신러닝이 결합된 인공지능 기술의 발전(이미지의 일부를 통해 전체를 예측하는 기술)에 대하여 알아보기
• - 다양한 바다 생물의 종류를 조사해보고 해양생태계의 유지에 있어 생물의 다양성의 보존이 중요한 이유에 대하여 생각해보기
• - 오토드로우를 활용하여 인공지능과의 협업을 통해 해양 생물과 해양쓰레기를 디자인하기
• . 다양한 해양생물을 창의적으로 표현하고 조사활동을 통해 해양 쓰레기의 큰 비중을 차지하는 플라스틱과 캔 등의 쓰레기를 디자인하기

Fig. 2. 
Example of marine ecosystem design using AutoDraw.

• - 해양 쓰레기의 범람에 따른 바다 환경의 오염으로 고통받는 해양 생물의 생존 위협에 대해 공감하고 자신의 생활 습관 속 미세플라스틱 발생 행동에 대해 반성하기
• - 해양 쓰레기 처리를 위한 모형 바다 제작하기
• · 바다의 색을 표현한 파란색 직육면체 틀 위에 오토드로우로 그린 해양생물과 해양 쓰레기를 무작위로 배치하기
• · 해양 쓰레기를 바다에서 육지로 밀어내기 경계선을 표현하기 검은색 마스킹테이프로 곡선의 해안선 그리기
• · 10×10cm 정도의 마퀸 구동부가 무리가 없이 동작하기 위한 공간과 인식 사물의 수 조절하기

Fig. 3. 
Example of a model sea for marine waste disposal

2) 2차시: 허스키 렌즈로 다양한 머신러닝 방법 알아보기

• - 허스키렌즈의 사용 방법에 대하여 알아보기
• · 허스키렌즈의 구성과 비전센서가 적용된 자체 모듈을 통해 별도의 프로그램 연동 없이 머신러닝이 가능함을 이해하기
• - Function Button을 통한 설정 방법 알아보기
• · 다이얼을 돌려 설정을 좌우로 움직일 수 있게 해주며 누를 시 선택할 수 있는 버튼
• - Learning Button을 통한 모델학습 시작하기
• · 버튼을 눌러 설정된 모델학습 데이터 입력

Fig. 4. 
The composition of husky lenses

Fig. 5. 
How to use the button on the husky lens

• - 비전센서가 적용된 허스키렌즈 모듈 자체에서의 데이터 학습을 통한 다양한 머신러닝 방법 체험하기
• · 오브젝트 추적(Object Tracking)
• · 얼굴인식(Face Recognition)
• · 오브젝트 인식(Object Recognition)
• · 라인 추적(Line Tracking)
• · 색상 인식(Color Recognition)
• · 태그 인식(Tag Recognition
• - 허스키렌즈의 색상인식 머신러닝을 통한 해양 생물과 해양 쓰레기 구분 데이터 입력

Fig. 6. 
Data(Marine life and marine waste) input using husky lens

3) 3차시: 마이크로비트와 마퀸을 이용하여 바다 청소로봇 만들기

• - 허스키렌즈와 마이크로비트 보드 회로 연결하기
• · 허스키렌즈에서 학습된 데이터를 처리하기 위한 메인보드로서 마이크로비트를 사용할 수 있도록 보드 연결하기
• - 허스키렌즈와 마이크로비트 보드 SW 연결하기
• · 메이크코드(makecode)에서의 확장프로그램 입력을 통해 허스키렌즈 블록 추가하기(https://github.com/tangjie133/pxt-huskylens)
• - 동작을 위한 구동부로서 마퀸(Maqueen) 로봇과 마이크로비트 및 허스키렌즈 연결하기
• · 해양쓰레기를 해안선까지 밀어내기 위한 물리 동작 구동을 위해 마퀸을 회로 연결하기

Fig. 7. 
Physical connection of Husky Lens + Microbit + Marqeen

• - 마퀸 플러스 로봇 소프트웨어 연결하기
• · 메이크코드(makecode)에서의 확장프로그램-Ma queen 입력을 통해 마퀸 플러스 블록 추가하기
• - 머신러닝으로 해양 쓰레기를 구분하여 해안선까지 밀어내는 바다 청소 로봇 프로그램을 메이크코드(makecode)에서 블록 코딩하기
• · 사물 인식-조건부여-동작-동작 완료 후 반복의 단계에 따라 해양 쓰레기를 청소할 수 있는 로봇 프로그램 창의적 설계 및 코딩을 통한 구현

Fig. 8. 
Check husky lens connection and use color recognition mode

Fig. 9. 
Line recognition using Marqueen's infrared sensor

Fig. 10. 
Implementation of actions according to color recognition data ID1

이 연구에서 개발한 인공지능 도구 활용 환경 주제 인공지능교육 STEAM 프로그램의 교육적 타당성을 검증하기 위해 전문가 집단에 의뢰하였다. 전문가 집단의 구성은 인공지능교육 또는 컴퓨터교육 박사학위 소지자 5명, 석사학위 소지자이며 초등교사 10명으로 총 15명이다. 이 중 초등학교 교사 10명, 대학교에서 초등 인공지능교육 관련 강의를 담당하는 교수 또는 강사 2명으로 구성되었다. 평가의 기간은 2021년 6월 5일부터 7월 14일까지 설정하였다, 평가를 위해 각 전문가에게 유선 연락 후 이메일로 개발 자료와 타당성 검증도구를 제공하였다. 또한, 개발 자료만으로 타당성을 평가하기 어려운 항목에 대해서는 연구자에게 질의하도록 하였으며, 연구자는 추가 자료를 제공하여 객관적인 평가를 지원하였다.

개발된 학습자료의 타당도 검증을 위해 박광렬(2020)의 기존 연구에서 개발한 검사 도구[11]를 이 연구의 목적에 맞게 박사 2인과 1명의 초등교사의 협의회를 거쳐 타당도 검사 도구를 수정하였다. 수정한 검사 도구 초안은 컴퓨터교육 관련 교수 1인, 로봇, 소프트웨어교육 관련 박사학위 출신의 인공지능교육 관련 연구자 2인에게 검증을 받은 후 보완하여 완성하였다. 검사 도구는 총 10문항으로 교과 성취기준 일치성, 학습자료의 적절성, 학습자료의 수업 적용 가능성에 대한 평가를 목적으로 하였다. 검사 문항은 리커트(Likert) 5단계 척도를 사용하였다. 평가 영역과 평가 기준을 제시하면 표 5와 같다.

타당성 평가 결과 분석을 위해서 Lawshe(1975)의 내용타당도 비율(Content Validity Ratio: CVR) 계산 공식[12]을 활용하였으며, 그 공식은 표 6과 같다. 내용타당도 비율은 특정 문항이 내용을 잘 또는 적절하게 측정한다고 응답한 비율을 선형적으로 변화시킨 값을 의미한다. 이 연구에서는 리커트 척도의 ‘대체로 그렇다’와 ‘매우 그렇다’에 해당하는 4점과 5점에 해당하는 응답자의 빈도수를 Ne로 간주하여 분석하였다. 타당도 검증의 기준은 Lawshe(1975)에 의하면 이 연구의 전문가 패널 수는 15명이므로 CVR값이 0.6 이상인 항목이 내용타당도가 있다고 판단할 수 있지만, 이 연구에서는 좀 더 엄격하게 CVR값이 0.7 이상인 경우에 내용타당도가 있다고 판단하였다.

이 연구에서 개발한 인공지능 도구 활용 환경 주제 STEAM 프로그램에 대한 타당성 검사결과를 평균, SD, CVR값으로 분석한 결과를 살펴보면 다음 표 7과 같다. 교과 성취기준 일치성, 학습자료의 적절성, 학습자료의 수업 적용 가능성의 모든 영역의 세부 평가 기준별 CVR값이 0.7 이상으로 타당하다는 결과를 얻을 수 있었다. 이는 이 연구에서 개발한 학습자료가 교과 성취기준과 일치도가 높고 학습자료가 적절하며 수업 적용 가능성이 크다고 판단할 수 있었다.